Indlæser kataloget…
Indlæser kataloget…
OpenAIs hurtige og omkostningseffektive GPT-6-model til chat, klassificering og lette agentiske opgaver i store mængder, med ræsonneringsniveau, der kan indstilles, og et kontekstvindue på 1,05 millioner tokens.
Oversigt. GPT-6 Luna er OpenAIs hurtige og omkostningseffektive model i GPT-6-familien, udgivet i september 2026 som den lette modpart til flagskibsmodellen GPT-6 Sol. Den kombinerer et kontekstvindue på 1.050.000 tokens med en grænse for uddata på 128.000 tokens og seks ræsonneringsniveauer, der kan indstilles fra ingen til maks. Udviklere vælger den til chat i store mængder, klassificering eller lette agentiske svar uden det overhead, der følger med en fuld ræsonneringsmodel.
Vigtigste styrker. Lunas vigtigste egenskab er indstillingen for ræsonneringsniveau: én model kan betjene øjeblikkelige svar med lavt ræsonneringsniveau eller skifte til dybere svar i flere trin afhængigt af forespørgslen, uden at du skal skifte endepunkt. Den understøtter tekst og billeder som inddata, verktøjskald, struktureret uddata og kontekstcaching, hvilket tilsammen passer til behandlingskæder med kort svartid og arbejdsopgaver med chat eller klassificering i store mængder. OpenAI positionerer den eksplicit til chat, klassificering og lette agentiske opgaver frem for dyb specialistræsonnering.
Anvendelsesområder. Brug Luna til chat i sanntid, klassificering og lette agentiske loops, hvor svarhastighed er vigtigere end dyb analyse i mange trin. Det store kontekstvindue gør den til et praktisk valg til indlæsning af lange dokumenter eller omfattende samtalehistorik, og styringen af ræsonneringsniveauet lader dig selektivt bruge flere penge på beregning kun til de forespørgsler, der har brug for det. Den er mindre velegnet til opgaver, der kræver dyb specialistræsonnering i mange trin — disse betjenes bedre af søskendemodellen GPT-6 Sol, som OpenAI positionerer som flagskibsmodellen til ræsonnering.
Begrænsninger. OpenAI har ikke offentliggjort parametertal, arkitektur, tokenizer eller Mixture-of-Experts-detaljer for Luna, og modellen har lukkede vægte uden mulighed for at køre selv. Hvor træningsdataene slutter er 18. maj 2026, og den er optimeret til bredde og hastighed frem for den dybere ræsonnering i GPT-6 Sol.
Bemærkning om suverænitet. GPT-6 Luna er bygget af OpenAI, en amerikansk modelskaber, så drift medfører standardmæssig underlagt CLOUD Act-eksponering. OpenAIs egen dokumentation angiver dog, at dataplacering i EU er tilgængelig for denne model ved brug af Standard-behandling. Reglerne for ingen træning på dine data for denne model er ikke bekræftet i vores research og bør kontrolleres direkte hos OpenAI før følsom brug.
| Inferensleverandør | Suverænitet | Kører i | Ind / ud per 1 mio. | Status | Fastgør |
|---|---|---|---|---|---|
| L0 | 0,09 / 0,45€+7 betingede priser | Online |
34 anvendelsesområder klassificeret af redaktøren. Noten forklarer hvorfor.
Værktøjskald + udvidet ræsonnering + et kontekstvindue på 1,05 millioner tokens udgør kernen i autonome kodeagenter; promptcaching fordeler omkostningerne ved gentagen filadgang.
Indbygget understøttelse af værktøjskald med et kontekstvindue på 1,05 millioner tokens og promptcaching muliggør effektiv funktionsaktivering med kort svartid i stor skala.
Billedforståelse + værktøjskald + udvidet ræsonnering er kernekravene til autonom browserinteraktion; et kontekstvindue på 1,05 millioner tokens understøtter sessionshistorik over mange sider.
Værktøjskald til integration med billetsystemer og CRM + billedforståelse til fejlfinding via screenshots + udvidet ræsonnering til løsning af komplekse klager; et kontekstvindue på 1,05 millioner tokens understøtter hele historikken for en sag.
Værktøjskald aktiverer statistiske funktioner og ML-funktioner; billedforståelse fortolker diagrammer; udvidet ræsonnering understøtter hypotesetest og multivariat fortolkning på store datasæt direkte i konteksten.
Billedforståelse + et stort kontekstvindue understøtter komplet OCR og bevarelse af layout i dokumenter med mange sider; værktøjskald strukturerer den udtrukne tekst.
Stærk model, men klassifikation kræver ikke udvidet ræsonnering eller billedforståelse; mindre modeller kan omkostningsoptimere denne opgave uden tab af ydeevne.
Bred sprogforståelse, men ingen specifik arkitektonisk fordel eller bedre benchmarkresultater end mindre modeller til oversættelse; det store kontekstvindue udnyttes sjældent fuldt ud ved normal brug.
Verktøjskald kan understøtte strukturering af tags, men tagging kræver ikke 1,05 millioner tokens eller ræsonnering i tankekæde; velegnet til scenarier med høj præcision og flere taksonomier.
Tal fra eksterne kilder, ikke vores egne vurderinger. Percentiler er målt mod hele Stav-kataloget.
Beregnet ud fra aa-intelligence-index, gpqa-diamond, aa-engineering-index, aa-coding-index, livecodebench, terminal-bench-v4, aa-lcr.
curl https://api.stav.ai/v1/chat/completions \
-H "Authorization: Bearer $STAV_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "openai/gpt-6-luna",
"reasoning_effort": "high",
"messages": [{"role": "user", "content": "Hello!"}]
}'→ X-Stav-Request-Id · X-Stav-Model · X-Stav-Provider → X-Stav-Sovereignty-Level — det niveau, forespørgslen blev betjent på